快速入门

本指南将引导您使用 Deep Agents SDK 创建您的第一个深度智能体。使用 SDK 以获得最大灵活性，您可以自行托管智能体或运行自定义 LangSmith 部署。若要在生产环境中运行智能体而无需管理基础设施，请参见 Managed Deep Agents 快速入门。

本指南将引导您使用 Deep Agents SDK 创建您的第一个深度智能体。使用 SDK 以获得最大灵活性，您可以自行托管智能体或运行自定义 LangSmith 部署。若要在生产环境中运行智能体而无需管理基础设施，请参见 Managed Deep Agents 快速入门。

您将构建一个研究智能体，该智能体可以进行研究并撰写报告。

构建 Deep Agents 研究快速入门

CopiedCopy prompt

使用 AI 编码助手？

• 安装 LangChain 文档 MCP 服务器 以使您的智能体能够访问最新的 LangChain 文档和示例。

  连接LangChain文档MCP服务器

  CopiedCopy prompt

• 安装 LangChain 技能 以提高您的智能体在 LangChain 生态系统任务上的性能。

  安装 LangChain 技能

  CopiedCopy prompt

前置条件

开始之前，请确保您有一个模型提供程序的 API 密钥（例如 Gemini、Anthropic、OpenAI）。

Deep Agents 需要一个支持 工具调用 的模型。有关如何配置模型的详细信息，请参见 自定义。

第 1 步：安装依赖项

:::python

pip

pip install deepagents

:::

:::js

npm

npm install deepagents langchain @langchain/core

:::

Google、OpenAI 和 Anthropic 都提供内置网络搜索工具：无需额外包或 API 密钥。如果您使用不同的提供程序或更喜欢 Tavily 进行搜索，请安装 Tavily 包：

:::python

pip install tavily-python

:::

:::js

npm install @langchain/tavily

:::

第 2 步：设置您的 API 密钥

Google

export GOOGLE_API_KEY="your-api-key"

OpenAI

export OPENAI_API_KEY="your-api-key"

Anthropic

export ANTHROPIC_API_KEY="your-api-key"

OpenRouter

export OPENROUTER_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Fireworks

export FIREWORKS_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Baseten

export BASETEN_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Ollama

# Local: Ollama must be running on your machine
# Cloud: Set your Ollama API key for hosted inference
export OLLAMA_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Other

# Set the API key for your provider
export <PROVIDER>_API_KEY="your-api-key"
export TAVILY_API_KEY="your-tavily-api-key"

Deep Agents 支持任何 LangChain 对话模型。设置您的提供程序的 API 密钥。

如果您正在使用 LangSmith 的 LLM 网关，则对提供程序的流量通过 LangSmith 进行路由。使用网关密钥作为 API 密钥。

第 3 步：创建一个搜索工具

Google、OpenAI 和 Anthropic 提供内置网络搜索工具，这些工具在服务器端运行：无需额外包或 API 密钥。将提供程序工具字典直接传递给 create_deep_agent。

Provider search (recommended)

:::python

Google

from deepagents import create_deep_agent

# Google's built-in search — no extra install or API key needed
internet_search = {"google_search": {}}

:::

:::js

Google

import { createDeepAgent } from "deepagents";

// Google's built-in search — no extra install or API key needed
const internetSearch = { googleSearch: {} };

:::

Tavily (any provider)

:::python

import os
from typing import Literal

from tavily import TavilyClient
from deepagents import create_deep_agent

tavily_client = TavilyClient(api_key=os.environ["TAVILY_API_KEY"])


def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """Run a web search"""
    return tavily_client.search(
        query,
        max_results=max_results,
        include_raw_content=include_raw_content,
        topic=topic,
    )

:::

:::js

import { tool } from "langchain";
import { TavilySearch } from "@langchain/tavily";
import { z } from "zod";

const internetSearch = tool(
  async ({
    query,
    maxResults = 5,
    topic = "general",
    includeRawContent = false,
  }: {
    query: string;
    maxResults?: number;
    topic?: "general" | "news" | "finance";
    includeRawContent?: boolean;
  }) => {
    const tavilySearch = new TavilySearch({
      maxResults,
      tavilyApiKey: process.env.TAVILY_API_KEY,
      includeRawContent,
      topic,
    });
    return await tavilySearch._call({ query });
  },
  {
    name: "internet_search",
    description: "Run a web search",
    schema: z.object({
      query: z.string().describe("The search query"),
      maxResults: z
        .number()
        .optional()
        .default(5)
        .describe("Maximum number of results to return"),
      topic: z
        .enum(["general", "news", "finance"])
        .optional()
        .default("general")
        .describe("Search topic category"),
      includeRawContent: z
        .boolean()
        .optional()
        .default(false)
        .describe("Whether to include raw content"),
    }),
  },
);

:::

第 4 步：创建深度智能体

将您的搜索工具和模型传递给 create_deep_agent。在 provider:model 格式中传递一个 model 字符串，或传递一个 初始化的模型实例。有关所有提供程序的支持模型，请参见 支持模型；有关经过测试的推荐模型，请参见 建议模型。

:::python

Google

# System prompt to steer the agent to be an expert researcher
research_instructions = """You are an expert researcher. Your job is to conduct thorough research and then write a polished report.

You have access to an internet search tool as your primary means of gathering information.

## `internet_search`

Use this to run an internet search for a given query. You can specify the max number of results to return, the topic, and whether raw content should be included.
"""

agent = create_deep_agent(
    model="google_genai:gemini-3.6-flash",
    tools=[internet_search],
    system_prompt=research_instructions,
)

:::

:::js

Google

import { createDeepAgent } from "deepagents";

// System prompt to steer the agent to be an expert researcher
const researchInstructions = `You are an expert researcher. Your job is to conduct thorough research and then write a polished report.

You have access to an internet search tool as your primary means of gathering information.

## \`internet_search\`

Use this to run an internet search for a given query. You can specify the max number of results to return, the topic, and whether raw content should be included.
`;

const agent = createDeepAgent({
  model: "google:gemini-3.6-flash",
  tools: [internetSearch],
  systemPrompt: researchInstructions,
});

:::

第 5 步：设置 LangSmith 追踪

在一个 基于智能体的工作空间 中，在发送跟踪信息之前，先 创建一个智能体。使用 智能体寻址 来选择其标识符和环境。如果集成需要 project_name，请使用所选环境的 tracer_session_name 作为兼容性值。

LangSmith 可以为您提供对智能体执行的可见性，允许您查看工具调用、子智能体委托和 LLM 响应。

在 smith.langchain.com 注册，创建 API 密钥，并设置以下环境变量：

export LANGSMITH_AGENT_ID="<your-agent-id>"
export LANGSMITH_AGENT_ENVIRONMENT="production"
export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="your-langsmith-api-key"

第 6 步：运行智能体

:::python

result = agent.invoke({"messages": [{"role": "user", "content": "What is langgraph?"}]})

# Print the agent's response
print(result["messages"][-1].content)

:::

:::js

const result = await agent.invoke({
  messages: [{ role: "user", content: "What is langgraph?" }],
});

// Print the agent's response
console.log(result.messages[result.messages.length - 1].content);

:::

它是如何工作的？

您的深度智能体会自动：

1. 进行研究，通过调用 internet_search 工具收集信息。
2. 管理上下文，使用文件系统工具（write_file、read_file）将大型搜索结果卸载到外部。
3. 按需生成子智能体，将复杂的子任务委托给专业的子智能体。
4. 综合报告，将发现结果汇总为连贯的响应。

要添加结构化任务规划功能，请使用 write_todos 通过 @[TodoListMiddleware 进行选择。有关详细信息，请参见 任务规划。

示例

有关 Deep Agents 可构建的智能体和模式的示例，请参见 示例。

流式输出

Deep Agents 具有内置的 流式输出，可使用 LangGraph 实时更新智能体执行结果。 这允许您逐步观察输出，并审查和调试智能体和子智能体的工作，例如工具调用、工具结果和 LLM 响应。

下一步

现在你已经构建了你的第一个深度智能体：

• 自定义你的智能体：了解 自定义选项，包括自定义系统提示词、工具和子智能体。
• 添加长期记忆：启用 持久记忆跨对话。
• 部署到生产环境：使用 托管深度智能体在 LangSmith 中创建、运行和操作深度智能体。
• 测试和评估：使用 LangSmith 评估运行自动化测试，并衡量你的智能体相对于数据集的性能。

---

官方原文：src/oss/deepagents/quickstart.mdx · 非官方翻译，译文由 AI 生成，以英文原文为准。